Leveraging Large Language Model as Simulated Patients for Clinical Education

模拟病人（SP）通过提供逼真的场景供学生练习，在临床医学教育中扮演着至关重要的角色。然而，培训和雇佣合格的SP的高成本，以及他们扮演真实患者时面临的沉重工作量和潜在风险，限制了学生接受这种类型的临床培训。因此，近年来，基于计算机程序的模拟病人的整合已成为一种有价值的教育工具。随着大型语言模型（LLMs）的快速发展，它们在对话人工智能和角色扮演方面的出色能力已得到证明，使它们成为实现虚拟模拟病人（VSP）的可行选项。本文介绍了一个称为CureFun的综合模型不可知框架，利用LLMs在临床医学教育中的潜力。该框架促进了学生和模拟病人之间的自然对话，评估他们的对话，并提供建议以增强学生的临床查询技能。通过全面的评估，我们的方法展示了比其他基于LLM的聊天机器人更真实和专业的SP场景对话流，从而证明了其模拟病人的能力。此外，利用CureFun的评估能力，我们评估了几种医学LLM，并从诊断能力的角度讨论了使用LLM作为虚拟医生的可能性和局限性。

论文旨在解决临床医学教育中模拟患者成本高、工作量大、潜在风险大等问题，提出利用大语言模型实现虚拟模拟患者，以提高学生的临床实践能力。

论文提出了一个名为CureFun的框架，利用大语言模型实现虚拟模拟患者，通过自然对话、评估对话、提供建议等方式，提高学生的临床询问技能。

论文的方法在模拟患者的对话流程上表现更为真实和专业，实验结果证明了其在模拟患者方面的能力。此外，利用CureFun的评估能力，论文还评估了几个医学大语言模型，并讨论了从诊断能力角度使用大语言模型作为虚拟医生的可能性和限制。

近期的相关研究包括利用大语言模型实现自然对话系统、虚拟人物等方面的研究。其中，与本文相关的研究包括《A Survey on Dialogue Systems: Recent Advances and New Frontiers》、《Virtual Patients in Health Professions Education: A Systematic Review and Meta-Analysis》等。